一种基于卷积神经网络的烟丝组分识别方法及装置与流程

本发明涉及一种基于卷积神经网络的烟丝组分识别方法及装置，属于烟丝组分识别技术领域。

背景技术：

世界卫生组织烟草控制框架公约(fctc)第9条(烟草成分管制)和第10条(烟草成分的披露)的实施准则中要求烟草制品生产商和进口商披露卷烟所用烟叶的组成成分特征，包括烟叶类型和每种烟叶的百分比，所用再造烟叶丝和膨胀叶丝的百分比等。烟支中叶丝、梗丝、膨胀叶丝、再造烟叶丝等组分的掺配量对卷烟物理指标、烟气特性及感官质量存在不同程度的影响。目前采用的烟丝组成分析方法中，烟丝组分的识别主要依靠人工识别，随着计算机技术的发展，目前也相应出现了一些通过提取各种烟丝组分特征来进行自动识别烟丝组分的方法。例如申请号为201410491816.9的专利文件，该文件公开了一种基于光谱成像技术的烟丝组分识别方法，该方法利用烟丝的不同组分之间的差异，基于光谱成像技术，在制定的激光发射源照射下，利用光谱成像系统采集烟丝辐射发出的荧光所成的图像，根据不同组分的烟丝在荧光图像上表现出的特征差异进行不同组分烟丝的识别。该方法虽然提高了测定效率，降低了人工识别的劳动强度；但是该方法所提取的特征在梗丝的分类中可以到达一定的效果，但由于烟丝的特征具有多样性，四种组分在很多特征中存在相似情况，很难提取出具有区分度的特征，导致烟丝组分识别出现偏差的问题。因此需要找到一种能够不局限于某一特征，能从整体上识别分析各组分的方法。

技术实现要素：

本发明的目的是提供一种基于卷积神经网络的烟丝组分识别方法，以解决目前烟丝组分识别中存在的识别准确性不高的问题。

本发明为解决上述技术问题而提供一种基于卷积神经网络的烟丝组分识别方法，包括以下六个方案，方法方案一：该识别方法包括以下步骤：

1)分别采集设定数量的叶丝、梗丝、膨胀叶丝和再造烟叶丝样本的图像，并将各样本图像裁剪为设定大小的图像；

2)建立卷积神经网络，从裁剪后的样本图像中选取一定数量的叶丝、梗丝、膨胀叶丝和再造烟叶丝图像作为训练集，利用训练集对所建立的卷积神经网络进行迭代训练；

3)将每一张待识别的烟丝图像裁剪为n个设定大小的图像，将裁剪后的n个图像输入到训练好的卷积神经网络中，以实现对待识别的烟丝图像的识别。

本发明通过采集完整的烟丝组分特征，根据完整的烟丝组分特征利用卷积神经网络对烟丝组分进行识别，提高了烟丝组分识别的准确性。

方法方案二：在方法方案一的基础上，所述步骤1)中的裁剪过程还包括剔除不包含烟丝的图像。通过删除不包含烟丝的图像进一步提高了烟丝组分识别的准确性。

方法方案三：在方法方案一或二的基础上，所述步骤1)和步骤3)还包括对裁剪后的图片进行缩小，在对图片进行缩小时，是将缩小前的图片中相邻的4个像素值的平均值作为缩小后的图像的1个像素值。

方法方案四：在方法方案一的基础上，所述步骤1)在采集设定数量的叶丝、梗丝、膨胀叶丝和再造烟叶丝样本的图像时，是分别将叶丝、梗丝、膨胀叶丝、再造烟叶丝平整无重叠的摆放于图像采集系统中。

方法方案五：在方法方案一的基础上，所述步骤2)中建立的卷积神经网络包括输入层、第一特征层、第二特征层、第三特征层和输出层；所述输入层用于接收裁剪后的图像；所述第一特征层用于对输入层接收到的图像信息进行卷积运算；第二特征层用于将卷积运算后的图像进行降采样操作；所述第三特征层用于对降采样操作后的图像进行进一步的卷积运算和降采样操作；输出层用于通过分类器对第三特征层得到的图像进行分类，实现烟丝组分的输出结果。

方法方案六：在方法方案五的基础上，所述步骤2)中的迭代训练为图像变形方法，采用尺度变形、旋转变型和塑性变形中的至少一种。

本发明还提供了一种基于卷积神经网络的烟丝组分识别装置，包括以下六个方案，装置方案一：该识别装置包括图像采集系统和处理器，所述图像采集系统用于分别采集设定数量的叶丝、梗丝、膨胀叶丝和再造烟叶丝图像作为样本图像，用于采集待识别的烟丝图像；

所述处理器用于将各样本图像和待识别的烟丝图像裁剪为设定大小的图像；并建立卷积神经网络，从裁剪后的样本图像中选取一定数量的叶丝、梗丝、膨胀叶丝和再造烟叶丝图像作为训练集，利用训练集对所建立的卷积神经网络进行迭代训练，并将裁剪后的n个待识别的烟丝图像输入到训练好的卷积神经网络中，以实现对待识别的烟丝图像的识别。

装置方案二：在装置方案一的基础上，所述的裁剪过程还包括剔除不包含烟丝的图像。

装置方案三：在装置方案一或二的基础上，所述处理器还用于对裁剪后的图片进行缩小，在对图片进行缩小时，是将缩小前的图片中相邻的4个像素值的平均值作为缩小后的图像的1个像素值。

装置方案四：在装置方案一的基础上，所述图像采集系统包括照明装置和成像装置，所述照明装置用于照明环境，所述成像装置用于获取烟丝组分图像。通过增加照明装置，实现了不同环境下都能够采集到清晰的图像。

装置方案五：在装置方案一的基础上，所述卷积神经网络包括输入层、第一特征层、第二特征层、第三特征层和输出层；所述输入层用于接收裁剪后的图像；所述第一特征层用于对输入层接收到的图像信息进行卷积运算；第二特征层用于将卷积运算后的图像进行降采样操作；所述第三特征层用于对降采样操作后的图像进行进一步的卷积运算和降采样操作；输出层用于通过分类器对第三特征层得到的图像进行分类，实现烟丝组分的输出结果。

装置方案六：在装置方案五的基础上，所述的迭代训练为图像变形方法，采用尺度变形、旋转变型和塑性变形中的至少一种。

附图说明

图1是本发明烟丝组分识别方法中图像缩小过程示意图；

图2是本发明烟丝组分识别方法中建立的卷积神经网络模型示意图；

图3是本发明烟丝组分识别方法原理图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步的说明。

本发明的一种基于卷积神经网络的烟丝组分识别方法的实施例

本发明的烟丝组分识别方法是将已知烟丝组分的图像进行预处理后输入到卷积神经网络模型中，对神经网络模型进行训练，使用训练后的神经网络模型识别未知的烟丝组分，输出识别结果，从而实现烟丝组分的快速、准确、自动化识别，提高识别效率与准确性。该方法的实现原理如图3所示，具体步骤如下：

1.分别采集设定数量的叶丝、梗丝、膨胀叶丝和再造烟叶丝图像作为样本图像。

本实施例是分别将100个叶丝、梗丝、膨胀叶丝、再造烟叶丝平整无重叠的摆放于图像采集系统中，通过图像采集系统进行图像采集，例如，将100个叶丝进行平整无重叠的摆放，利用图像采集系统对100个摆放后的叶丝进行拍照，获取多张关于叶丝的图像，从中选取包含有完整叶丝的图像作为叶丝样本图像。

具体地，本实施例中的图像采集系统包括照明装置、成像装置和图像采集处理软件，照明装置的作用是为烟丝组分提供合适的照明，以便于获取的图像清晰真实，照明装置可以是能够提供均匀照明环境的平面光源、环形光源、发光led阵列、背光源等光源系统；成像装置主要包括镜头和相机两部分，其作用是配合图像采集软件获取烟丝组分的图像；图像采集处理软件可以是专门编写的能够配合成像装置获取待测对象图像的软件或者现有软件的某个模块或单元，其作用是对获取的烟丝组分图像进行必要的去噪、滤波、畸变矫正、场曲还原、裁剪、旋转、拉伸、亮度修正、颜色转换、图像分割、分辨率调整、二值化、图像连通、区域标记、烟丝编号、轮廓提取等图像前期处理。上述各个设备及相应软件均属于现有产品，在此不再赘述。

2.将各样本图像裁剪为设定大小的图像。

本实施例是将获取的各组分样本图像裁剪成104×104像素的小图，并剔除不包含烟丝的图像，步骤1的样本图像井裁剪后分别获得5508个叶丝图像、10425个再造烟叶丝图像、6417个梗丝图像和6858个膨胀叶丝图像。

3.对裁剪后图像进行缩小。

本实施例将经过剔除后保留的各个104×104像素的图像分别缩小为52×52像素的图片，缩小的方法如图1所示，可将104×104像素图片相邻的4个像素值的平均值，作为52×52图片相应位置1个像素的值。

4.建立卷积神经网络模型，并对所建立的卷积神经网络模型进行训练。

深度学习是人工智能的一种方法，主要针对声音、图像等信息进行建模，提出一种基于数据统计的概率模型，已经应用于机器视觉，指纹识别，人脸识别，语言和图像理解等多个领域，卷积神经网络是深度学习方法的一种，其可以避免各种形式的特征取样，减少对图像的复杂前期预处理，大大提高测试效率。

本实施例中建立的卷积神经网络模型如图2所示，包括输入层、c1层、s2层、c3层和s4层，输入层用于接收52×52像素的图像；c1层包括6个5×5的滤波器，用于将输入层接收到的52×52像素的图像通过与6个5×5的滤波器进行卷积运算得到6个17×17像素具有不同特征信息的特征图像；s2层用于将c1层得到特征图像与5×5的滤波器进行降采样操作，得到5×5像素采样层s2的特征图像；c3层用于对s2的特征图像进行进一步的卷积运算和降采样操作，输入图像被降低为100个单像素大小的特征图像；s4层包括四个输出节点，用于通过分类器对c3层的图像进行分类，最终实现烟丝组分的输出结果。

卷积神经网络的训练方法主要是图像变形方法，可以采用尺度变形、旋转、塑性变形中的一种或多种的组合。本实施例采用经步骤1-3得到的样本数据作为训练集，对上述卷积神经网络进行训练。

5.将每一张待识别的烟丝图像裁剪为n个设定大小的图片，将裁剪后的n个图片输入到训练好的卷积神经网络模型中，以实现对待识别的烟丝图像的识别。

使用上述图像采集系统采集一批烟丝组分图像，组分未知，作为待识别的烟丝图像，每一张待识别的烟丝图像均按照步骤2～3的方法进行图像裁切，一幅原图可裁切为n个52×52像素的小图，作为卷积神经网络的输入图片，经过神经网络后会有n个数值的输出，其中0代表叶丝、1代表再造烟叶丝、2代表梗丝、3代表膨胀叶丝，通过统计输出值，可以得到n1个再造烟叶丝、n2个梗丝、n3个膨胀叶丝、n4个叶丝，计算n1、n2、n3、n4中的最大值max(n1,n2,n3,n4)，若n1＝max(n1,n2,n3,n4)，则认定为该烟丝为再造烟叶丝，以此类推，完成烟丝组分的识别。

本发明的一种基于卷积神经网络的烟丝组分识别装置的实施例

本实施例的烟丝组分识别装置包括图像采集系统和处理器，图像采集系统用于分别采集设定数量的叶丝、梗丝、膨胀叶丝和再造烟叶丝图像作为样本图像，用于采集待识别的烟丝图像；处理器用于将各样本图像和待识别的烟丝图像裁剪为设定大小的图像；并建立卷积神经网络，从裁剪后的样本图像中选取一定数量的叶丝、梗丝、膨胀叶丝和再造烟叶丝图像作为训练集，利用训练集对所建立的卷积神经网络进行迭代训练，并将裁剪后的n个待识别的烟丝图像输入到训练好的卷积神经网络中，以实现对待识别的烟丝图像的识别。具体的识别过程已在方法的实施例中进行了详细说明，这里不再赘述。

以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所确定的范围为准。对于本技术领域的技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。